Type de document : article publié dans Frontiers in Veterinary Science
Auteurs : Beat Thomann, Hanno Würbel, Tahibault Kuntzer, Christina Umstätter, Beat Wechsler, Mireille Meylan, Gertraud Schüpbach-Regula
Résumé en français (traduction) : Développement d’une méthode basée sur les données pour évaluer la santé et le bien-être des espèces d’animaux de rente les plus courantes en Suisse : Le projet Smart Animal Health
L’amélioration de la santé et du bien-être des animaux dans les systèmes d’élevage dépend de moyens d’évaluation et de suivi fiables. L’objectif de ce projet était de développer une nouvelle méthode qui s’appuie sur des indicateurs basés sur les animaux et des mesures basées sur des données pour évaluer la santé et le bien-être à l’échelle de l’exploitation pour les espèces d’animaux de rente les plus courantes en Suisse. Le développement de la méthode a suivi un processus uniforme en plusieurs étapes pour chaque espèce. La littérature scientifique a été systématiquement examinée afin d’identifier les indicateurs potentiels de santé et de bien-être pour les bovins, les ovins, les caprins, les porcins et les volailles. Les indicateurs appropriés ont été appliqués sur le terrain et comparés aux résultats des scores Welfare Quality® d’une exploitation donnée. Pour identifier les élevages qui risquent d’enfreindre la réglementation en matière de bien-être animal, plusieurs bases de données agricoles et de santé animale ont été interconnectées et diverses techniques d’apprentissage automatique supervisé ont été appliquées pour modéliser le statut des élevages. Les analyses bibliographiques ont permis d’identifier une variété d’indicateurs, dont certains sont bien établis, tandis que d’autres manquent de fiabilité ou de praticabilité, ou doivent encore être validés. La qualité et la disponibilité des données varient fortement d’une espèce animale à l’autre, la plupart des données étant disponibles pour les vaches laitières et les porcs. Les indicateurs fondés sur des données étaient presque exclusivement limités aux catégories « santé animale » et « élevage et alimentation ». L’évaluation du « comportement approprié » et de l' »absence de douleur, de souffrance, de détresse et d’anxiété » dépendait en grande partie d’indicateurs qui devaient être évalués et contrôlés dans l’exploitation. Les différentes techniques d’apprentissage automatique utilisées pour identifier les élevages devant faire l’objet d’inspections du bien-être animal fondées sur les risques ont permis d’obtenir des performances de classification similaires avec des sensibilités supérieures à 80 %. Les caractéristiques ayant les poids prédictifs les plus élevés étaient les suivantes : participation à des programmes fédéraux d’écologie et de bien-être animal, données démographiques de l’exploitation et rigueur dans l’enregistrement des mouvements d’animaux par les éleveurs. Une méthode commune avec des ensembles d’indicateurs individuels pour chaque espèce a été développée. Les résultats montrent que, selon la disponibilité des données pour les différentes catégories d’animaux, les modèles basés sur des données de substitution peuvent présenter des corrélations élevées avec la santé et le bien-être des animaux évalués à la ferme. Néanmoins, pour une validité suffisante, une combinaison d’indicateurs basés sur des données et d’évaluations dans les élevages est actuellement nécessaire. Pour une mise en œuvre à grande échelle des méthodes, il est nécessaire de trouver des alternatives aux évaluations manuelles approfondies dans les élevages, les technologies d’agriculture intelligente ayant un grand potentiel pour soutenir l’évaluation si les objectifs de surveillance spécifiques sont définis.
Résumé en anglais (original) : Improving animal health and welfare in livestock systems depends on reliable proxies for assessment and monitoring. The aim of this project was to develop a novel method that relies on animal-based indicators and data-driven metrics for assessing health and welfare at farm level for the most common livestock species in Switzerland. Method development followed a uniform multi-stage process for each species. Scientific literature was systematically reviewed to identify potential health and welfare indicators for cattle, sheep, goats, pigs and poultry. Suitable indicators were applied in the field and compared with outcomes of the Welfare Quality® scores of a given farm. To identify farms at risk for violations of animal welfare regulations, several agricultural and animal health databases were interconnected and various supervised machine-learning techniques were applied to model the status of farms. Literature reviews identified a variety of indicators, some of which are well established, while others lack reliability or practicability, or still need further validation. Data quality and availability strongly varied among animal species, with most data available for dairy cows and pigs. Data-based indicators were almost exclusively limited to the categories “Animal health” and “Husbandry and feeding”. The assessment of “Appropriate behavior” and “Freedom from pain, suffering, harm and anxiety” depended largely on indicators that had to be assessed and monitored on-farm. The different machine-learning techniques used to identify farms for risk-based animal welfare inspections reached similar classification performances with sensitivities above 80%. Features with the highest predictive weights were: Participation in federal ecological and animal welfare programs, farm demographics and farmers’ notification discipline for animal movements. A common method with individual sets of indicators for each species was developed. The results show that, depending on data availability for the individual animal categories, models based on proxy data can achieve high correlations with animal health and welfare assessed on-farm. Nevertheless, for sufficient validity, a combination of data-based indicators and on-farm assessments is currently required. For a broad implementation of the methods, alternatives to extensive manual on-farm assessments are needed, whereby smart farming technologies have great potential to support the assessment if the specific monitoring goals are defined.
